人工神经网络在茶叶品质评定中的应用

2016-04-11潘玉成叶乃兴宁德职业技术学院机电工程系福安355000福建农林大学园艺学院福州35000

广东茶业 2016年1期

潘玉成叶乃兴（.宁德职业技术学院机电工程系，福安 355000；.福建农林大学园艺学院，福州 35000）

人工神经网络在茶叶品质评定中的应用

潘玉成1叶乃兴2
（1.宁德职业技术学院机电工程系，福安 355000；2.福建农林大学园艺学院，福州 350002）

[摘要]人工神经网络是人工智能领域中发展最快的信息处理技术之一，其应用领域越来越广泛。文章介绍了人工神经网络的概念、特点和BP神经网络基本结构，对人工神经网络在茶叶品质评定方面的应用进行了综述，并对其应用上存在的问题进行了分析，对其今后的发展做出了展望。

[关键词]人工神经网络；茶叶；品质评定；应用

人工神经网络（Artificial Neural Network，ANN）简称神经网络，是人工智能领域的一个重要分支，它是模仿生理学中人的大脑神经处理信息的方式，对信息进行并行处理和非线性转换的一种信息处理网络系统。利用神经网络，无需任何经验公式，无需建立相关的数学模型，仅仅借助样本数据，即可实现从Rn空间到Rm空间的高度非线性映射。现今，国内外应用神经网络技术，涉及的方面也越来越广，应用领域也越来越大，其应用领域主要表现在信息领域、自动化领域、工程领域和经济领域等。20世纪90年代初，神经网络技术开始向农业科学领域渗透，茶叶科学研究中也有了初步的应用，并展示出了广阔的应用前景。近年来，随着科学技术的不断发展和进步，一些新技术如机器视觉图像处理技术、电子鼻技术、电子舌技术等，结合神经网络非线性数据处理方法在茶叶品质评定上得到应用，取得了一些成果。本文就神经网络技术在茶叶审评方面的应用进行综述。

1 人工神经网络

1.1 人工神经网络的定义

神经网络起源于20世纪40年代，到今天已经有70多年历史了，是在现代神经生物学研究成果的基础上发展起来的一种模仿脑细胞结构和功能、脑神经结构以及思维处理问题等脑功能的新型信息处理系统。它是一门涉及医学、神经生理学、信息学、人工智能、数理学、计算机学等多个领域的新兴前沿学科，它具有复杂的非线性动力学特性、并行处理机制、学习、联想和记忆功能，以及高度自组织、自适应能力和灵活性。神经网络主要有无反馈的前向网络、有反馈的前向网络、层内有相互结合的前向网络、相互结合型网络等结构形式，决定其整体性能的三大要素为神经元的特性、神经元之间相互连接的形式——拓扑结构、为适应环境而改善性能的学习规则。其应用涉及模式识别﹑联想记忆、信号处理、自动控制、组合优化、故障诊断及计算机视觉等众多方面，取得了引人注目的进展[1]。

1.2 BP神经网络的原理和特点

BP（Back Propagation）神经网络是误差反向传播神经网络的简称，是目前应用最为广泛和成功的神经网络之一。BP神经网络是一种具有三层或三层以上的神经网络，它由一个输入层、一个或多个隐含层和一个输出层构成，每一层由一定数量的的神经元构成，前后层之间实现全连接，每层神经元之间无连接，基本的BP神经网络结构如图1所示。BP神经网络学习包括信号的正向传递和误差的反向传播两个阶段。信号正向传递时，输入信息从输入层经隐含层到输出层。如果输出的结果与期望值存在误差，则转向反向传播过程。误差的反向传播是从输出层向输入层逐层反向传播，并以某种规则修正各层单元的权值。这种信号正向传递与误差反向传播的反复进行，当误差减小到允许范围内时，网络的学习过程就结束[2]。BP神经网络的特点为信息分布存储、信息并行处理、具有容错性和具有自学习、自组织、自适应的能力。

图1 BP神经网络结构

目前神经网络模型的构建常采用MATLAB神经网络工具箱(Neural Network Toolbox)，它是以神经网络理论为基础，用MATLAB的语言构造出各种神经网络激活函数、训练函数及各种网络集成块等。设计者通过对激活函数、网络函数等的调用，仅需写很少的源代码，即可完成必须的科学计算。根据各种典型的修正网络权值的规则，配合网络的训练过程，用MATLAB编写出各种网络设计与训练的子程序，网络的设计者可以根据自己的需要去调用工具箱中有关神经网络的设计训练程序，从而免除了编写复杂而庞大的算法程序的困扰[3-4]。

2 人工神经网络应用于茶叶品质评定

茶叶品质的评定，国内外现普遍采用的是感官审评法。感官审评法虽然具有快速、简便且较准确的特点，但往往受评茶师个人的经验、心理与生理等因素的影响，如同一个茶叶，不同的评茶师由于其嗜好、情绪、性别以及感官灵敏度等影响，可能难以获得一致的评定结果。长期以来，茶叶科研工作者都致力于茶叶品质的量化识别研究，期望采用科学的仪器测定茶叶，用科学计量上的品质指标来评价茶叶品质[5-6]。但茶叶品质因素非常复杂，在所掌握的评定茶叶好坏的知识中含有大量不完全确定的信息，其中很多数据随着品种、地域、水肥、采制等条件的变化而不同，利用传统的数学方法已无法较好解决这一问题，而利用神经网络对环境的变化具有较强的自适应能力，具有较好的容错性、抗干扰及自组织能力，可较好地克服传统数学方法的不足。运用神经网络技术来寻求茶叶品质与品质因子间错综复杂的非线性对应关系，以建立相应的茶叶品质评定模型，从资料来看，这方面的研究还处于起步阶段。1993年开始，国内由非茶叶界的科技人员首例将神经网络技术应用于茶叶品质等级判别，蔡煜东[7]等以商业部颁发的4套炒青绿茶标准样为研究对象，根据茶叶色泽与滋味品质的理化指标氨基酸(%)、咖啡碱(%)、水浸出物(%)、粗纤维(%)、叶底(L，a，b)、茶汤(L，a，b)，采用神经网络方法，建立了绿茶品质等级判别的计算机智能专家系统，对标准样和预测样本获得了较令人满意的评判结果。1995年，日本茶叶界也开始有人着手研究绿茶品质评定的神经网络模型，并发表了中间研究结果，也证明了这种方法的可行性[8]。

近年来，随着科学技术的不断发展和进步，科技工作者在茶叶品质评价的内容和方式上做了大量的研究，一些新技术运用到茶叶品质判别中以提高其准确性[9-11]，如机器视觉图像处理技术、电子鼻技术、电子舌技术等。其主要特点是应用这些新技术提取与茶叶品质相关的特征数据信息，然后运用神经网络方法来寻求茶叶品质与品质因子间错综复杂的非线性对应关系，以建立相应的茶叶品质评定模型。

2.1 机器视觉图像处理技术用于茶叶的颜色和外形评价

从茶叶感官审评方法上看，茶叶的质最指标大多和视觉有关。茶叶的色泽（外形色泽、汤色、叶底色泽）和外形（嫩度、条索、净度、匀整度）都是通过人眼观察得到。机器视觉图像处理技术就是用计算机实现部分人类视觉的功能，把所有对象映射成数字图象，并模仿人的判别准则去理解图象和识别图象，进而对所摄图象进行分类或分级[12-14]。计算机辅助茶叶品质检测可以使品质指标量化和标准化，而且计算机图象处理的精度优于人的视觉精度，对颜色和外形的反应也更灵敏，所以其技术和方法可以用于茶叶颜色和外形的评价。吴瑞梅[15]等提出采用高光谱图像来量化分析茶叶的外形感官品质。以碧螺春名优绿茶为对象，采集其高光谱图像，利用主成分分析法从原始高光谱图像中优选出3个波长下的特征图像，分别提取每个特征图像的颜色特征和纹理特征，利用BP神经网络方法建立特征变量与外形感官评分之间的相关模型，结果说明所建模型用于茶叶外形感官品质的量化评价是准确、可靠的；汪建[16]等利用计算机视觉、图像处理技术，通过数码相机等直接得到茶叶图像，经过对图像格式进行转换和预处理，然后基于HSI模型提取的茶叶颜色特征参数和二值化后图像提取的茶叶形状特征参数，构建遗传神经网络模型，完成对茶叶的自动识别。实验结果表明，此方法能取得较好的识别效果，计算机的检测结果与人工检测结果高度吻合。

2.2 电子鼻技术用于茶叶香气评价

茶叶香气是决定茶叶品质的重要因子之一，而且茶叶的“香”，与“味”之间也有比较密切的关系，一般来讲有了好的香气，必然会有好的滋味。茶叶中上百种芳香物质协调作用使其具有特别的香型，这些香型是人的嗅觉器官对香气物质的综合反应。由于茶叶香气含量低微、易挥发、组成复杂，提取过程中易发生各种反应，如氧化、聚合、缩合、基团转移等，致使分析结果不准确。因此对于香气整体信息的判断是极其复杂的，电子鼻技术的出现和发展使这一目的得以实现。电子鼻是在模拟生物嗅觉系统基础上，利用气体传感器阵列的响应图案来识别气味的电子系统，它可以在几小时、几天甚至数月的时间内连续地、实时地监测特定位置的气味状况。电子鼻主要由气味取样操作器、气体传感器阵列和信号处理系统三种功能器件组成，电子鼻识别气味的主要机理是在阵列中的每个传感器对被测气体都有不同的灵敏度，例如，一号气体可在某个传感器上产生高响应，而对其他传感器则是低响应，同样，二号气体产生高响应的传感器对一号气体则不敏感，归根结底，整个传感器阵列对不同气体的响应图案是不同的，正是这种区别，才使系统能根据传感器的响应图案来识别气味[17-19]。陈哲[20]等采用由12个金属氧化物传感器组成阵列的电子鼻，对3种等级碧螺春茶的茶水和茶底气味进行检测。筛选了9个对茶叶挥发香气敏感的传感器阵列，并分别提取了各个传感器所获取茶水和茶底数据的最大值、最小值和平均值作为特征变量，进行主成分分析，再利用K最近邻(KNN)和误差反向神经网络对数据进行分析与识别。试验结果表明，融合传感器采集茶水和茶底的信息可更全面地描述和表征不同等级碧螺春的信息，KNN模型对不同等级碧螺春的识别率为83.3%，采用10-7-3的拓扑神经网络模型的识别率则达到100%；于慧春[21]等针对茶叶品质感官审评的不足，采用电子鼻检测手段，对4个不同等级的龙井茶作等级判别。对传感器信号进行多因素方差分析得出：不同容器容积和不同采样时刻对传感器的响应信号有着显著的影响。通过主成分（PCA）、线性判别（LDA）和BP神经网络方法对各茶叶样品进行了分类判别。PCA对于等级差别较近的茶叶区分结果不太理想；而LDA相对于PCA有较好的区分效果；设计BP神经网络拓扑结构为30-12-4，通过对网络进行适当训练，总的测试回判率可达到90%。

2.3 电子舌技术用于茶叶滋味评价

茶叶滋味是茶叶品质组成的重要部分，在品茶过程中对于茶客来讲，喝茶永远是在乎茶之“香气”与“滋味”，那是茶品质的内核。电子舌是一种新兴的模拟人的味觉系统的快速检测液体样本信息的仪器系统，它应用味觉传感器阵列和模式识别的数字信号处理方法，模拟人和生物概念的舌，实现了由仪器“味觉”对产品进行客观分析。当电子舌与被检测的茶汤料液接触时，味觉传感器表面敏感两侧的电势将发生变化，从而对味觉物质产生响应，且可检测出各味觉物质间的相互关系，并具有类似于生物味觉感受的方式[22-23]。电子舌具有高灵敏性、可靠性、重复性的优点，能够克服人为的主观因素对味觉信息判断的影响，可以预见电子舌技术在茶叶滋味评价中将是一项具有广阔前景的技术。王新宇[24]等利用电子舌识别炒青绿茶的等级，他们以4个等级的炒青绿茶为研究对象，应用法国a-ASTREE电子舌检测装置并辅以模式识别对茶叶的质量进行评定，利用反向神经网络建立了判别模型，并通过主成分分析法对电子舌采集的数据进行优化，当提取5个主成分因子来建立神经网络模型时，模型对训练集和验证集的不同等级茶叶识别率均达到100%，说明将人工神经网络和电子舌技术相结合来判别茶叶的品质等级的方法是可行的。

这些新技术进行茶叶品质评定具有检测时间短、重复性好、不需要复杂的样品预处理过程、不发生感官疲劳等，并在一定程度上模拟人的感官给出有关茶叶香气、滋味和外质的评判结果，也显示了较好的应用前景。但这些新技术的应用往往侧重于茶叶品质的某一方面，仅用某个单一指标来评价茶叶的品质，不能很好的表述其总体品质。若在茶叶品质的检测中，采用机器视觉技术、电子鼻技术和电子舌技术来共同检测茶叶，并把他们的数据进行融合处理，结合统计模式识别方法和神经网络分析方法来评定茶叶品质将是今后茶叶品质评定发展的必然趋势。

3 问题与展望

神经网络技术是20世纪80年代以来人工智能领域兴起的研究热点，其应用领域日益扩大，虽然它在茶叶研究上的应用近些年取得了一些初步成果，但距实际应用还存在较大的差距，主要表现在以下几个方面：①茶叶种类繁多，成分复杂且不稳定。茶叶品质受种植环境、栽培措施、采摘方法、加工工艺以及贮存条件等多种因素影响，产品质量很难稳定。所以，目前神经网络在茶叶研究上所建立的模型适用范围较小，有一定的局限性；②利用神经网络建立模型时，必须具有足够多的典型“学习样本”，才能保证所构建神经网络模型的可靠性。但在实际研究问题中所采用的茶叶样本往往代表性不够强，并且样本数也不够全，使得构建的模型的稳定性差，使用范围受到较大限制。因此只有采用科学的样本采集方法，遵循样本代表性的判别原则，才能保证神经网络“学习样本”的典型性；③特征因子的提取与结果之间的相关性欠缺，往往侧重于某一方面的因子，只有科学地提取与研究问题相关的特征因子，再结合先进的数据处理方法，才能找到它们之间内部真正的规律，才有可能取得良好的效果；④在构建神经网络时其结构参数的确定存在一个最优解的问题，但网络结构的选择目前一般只能凭经验选定而无统一标准和完整理论。把茶叶科学和神经网络技术结合在一起，运用非线性数据处理方法来解决茶叶研究中有关问题，目前这种研究基本上还处于探索或实验室阶段，应用范围和效果还有许多不尽人意的地方，导致它们的应用只有少数实现，而大多数只是潜在应用。在以后的研究中，如在茶叶品质的评定中，若能采用机器视觉技术（对外形和汤色进行检测）、电子鼻技术（对香气进行检测）和电子舌技术（对滋味进行检测）来共同检测茶叶，并把他们的数据进行融合处理，结合统计模式识别方法和神经网络分析方法，并且再引进模糊理论等来评定茶叶品质将是今后茶叶品质评定的一个重要研究方向，以感官审评为主的茶叶品质评定方法必将被这些新技术检测为主、感官审评为辅的方法所取代，从而实现准确、快速、客观地对茶叶品质进行评定。随着当代新技术和神经网络理论的不断发展，以上这些问题将会得以解决，这些新技术最终将从实验室走向实际应用。我们可以预测，神经网络技术在茶叶品质审评方面将有着广阔的应用前景，有待科技工作者不断深入探讨与研究。

参考文献

[1]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006.

[2]Martin T Hagan, Howard B Demuth, Mark H Beale. Neural Network Design[M].北京:机械工业出版社,2003.

[3]张德丰. MATLAB神经网络应用设计[M].北京:机械工业出版社,2012.

[4]周品. MATLAB神经网络设计与应用[M].北京:清华大学出版社,2013.

[5]冯花,郭雅玲.茶叶感官审评方法及其新发展[J].福建茶叶,2010,(7):28-31.

[6]袁林颖,周正科,皮利等.茶叶品质等的量化识别研究进展[J].南方农业,2010,(1):80-83.

[7]蔡煜东,宫家文,甘骏人等.茶叶品质评定的人工神经网络方法[J].茶叶科学,1993,13(1):45-50.

[8]Tadashi goto.日本绿茶品质评估的人工神经网络模型[A].95′上海国际茶叶科学研讨会论文集,250-255.

[9]周亦斌,王俊.新技术在茶叶品质评价中应用的现状及趋势[J].茶叶科学,2004,24(2): 82-85.

[10]凌彩金,王秋霜,卓敏等.茶叶审评技术研究进展[J].广东农业科学,2010,(3): 68-71.

[11]张星海,周晓红,唐德松等.浙江名茶品质特征及评鉴新技术应用现状[J].安徽农业科学,2010,38(34): 19561-19563.